PROVIDENCE, RI — Pour les scientifiques, prévoir le moment et l’ampleur des catastrophes naturelles est un objectif fondamental. Cependant, parce qu’ils sont si rares statistiquement, il n’y a pas suffisamment de données pour les prévoir avec précision. Maintenant, des chercheurs de l’Université Brown et du Massachusetts Institute of Technology affirment qu’il existe des moyens de les prédire, avec l’aide de l’intelligence artificielle.
Dans une nouvelle étude, ils ont combiné des algorithmes statistiques, qui nécessitent moins de données pour faire des prédictions précises, avec un puissant apprentissage automatique (l’application de l’IA) afin d’éviter avec succès le besoin de données excessives.
“Vous devez réaliser qu’il s’agit d’événements stochastiques”, déclare l’auteur de l’étude George Karniadakis, professeur de mathématiques appliquées et d’ingénierie à Brown, dans un sortie universitaire. «Une explosion de pandémie comme le COVID-19, une catastrophe environnementale dans le golfe du Mexique, un tremblement de terre, d’énormes incendies de forêt en Californie, une vague de 30 mètres qui fait chavirer un navire – ce sont des événements rares et parce qu’ils sont rares, nous ne le faisons pas. ont beaucoup de données historiques. Nous n’avons pas assez d’échantillons du passé pour les prédire plus loin dans le futur. La question que nous abordons dans le document est : quelles sont les meilleures données possibles que nous pouvons utiliser pour minimiser le nombre de points de données dont nous avons besoin ? »
L’équipe a découvert que l’utilisation de l’apprentissage actif, une technique d’échantillonnage séquentiel, était la voie à suivre. Ces algorithmes peuvent analyser les entrées de données et également tirer des enseignements de ce qui a été fourni pour étiqueter de nouveaux points de données d’importance égale ou supérieure. En d’autres termes, on peut faire plus avec un minimum d’informations. Le modèle d’apprentissage automatique qu’ils ont utilisé s’appelle DeepOnet, un type de réseau neuronal artificiel qui utilise des nœuds interconnectés et en couches qui peuvent imiter les connexions neuronales du cerveau humain.
Comment le système prédit-il les événements futurs ?
Deux réseaux de neurones fonctionnent en un avec cet outil, ce qui en fait une ressource incroyablement puissante capable de traiter les données des deux réseaux. En fin de compte, cela permet d’analyser extrêmement rapidement de grandes quantités de données tout en générant des quantités tout aussi importantes de données en réponse. Dans ce travail, les chercheurs ont pu démontrer que DeepOnet, associé à des techniques d’apprentissage actif, peut identifier avec précision indicateurs d’un événement désastreux sans beaucoup de données disponibles.
“L’idée maîtresse n’est pas de prendre toutes les données possibles et de les mettre dans le système, mais de rechercher de manière proactive les événements qui signifieront les événements rares”, explique Karniadakis. “Nous n’avons peut-être pas beaucoup d’exemples de l’événement réel, mais nous pouvons avoir ces précurseurs. Grâce aux mathématiques, nous les identifions, ce qui, associé à des événements réels, nous aidera à former cet opérateur avide de données.
L’équipe a même découvert que leur méthode pouvait surpasser les modèles conventionnels et convient que leur cadre pourrait créer un précédent pour des prédictions plus efficaces d’événements naturels rares. Avec vagues scélérates, qui sont des vagues destructrices qui sont plus de deux fois plus grandes que les vagues environnantes, ils ont découvert qu’ils pouvaient découvrir quand les vagues se formeraient en examinant les conditions probables au fil du temps. Dans leur article, l’équipe explique comment les scientifiques devraient concevoir de futures études afin de limiter les coûts et de prévoir avec encore plus de précision.
Le résultats sont publiés dans la revue Science computationnelle de la nature.
